图3.4多聚合过程神经元一般模型 其中,“⊕”为n个多元过程输入函数的空间聚合算子,“⑧”为多元过程聚合算子,K()为 聚合核函数。 图34表示的多聚合过程神经元输入输出之间的映射关系为: y=f(W(t1t2…,tp)④X(t1,12x…,tp))⑧K()-6) (3.15) 如果“”取为空间加权和,“⑧”为多元多重积分,核函数K()=1,则多聚合过程 神经元输入输出之间的映射关系为 2-2x(44x-2厘m1(12nmd2a-0) (3.16) 35模糊过程神经元 在实际中,经常遇到带有过程性模糊信息的处理问题。若将过程神经元的信息处理方式 与模糊推理规则相结合,定义一种模糊过程神经元,将提高人工神经元的信息处理能力。可 釆用两种方法构建模糊过程神经元。一种是对过程神经元直接模糊化,将过程神经元对时变 信号的信息处理机制与学习能力与模糊逻辑系统的推理机制相结合,构成一种新的模糊计算 模型:另一种是由带过程性信息的模糊推理规则描述的模糊过程神经元,即每一个模糊过程 神经元表示了一条模糊推理规则,多个模糊过程神经元按照一定结构组成的模糊过程神经元 网络可构成一个模糊逻辑推理系统。本节的讨论均针对于带有过程性模糊信息的论域(模糊 时变问题)进行 351过程神经元的模糊化 设A,A2,…,Ak为论域U上的模糊集,接受域上的隶属度函数分别为()42( ,4x()。模糊过程神经元是由模糊过程信号加权输入、模糊聚合运算及模糊激励输出组 成,其结构如图3.5所示。 2( x(tr w(o 图3.5模糊过程神经元 图3.5中,x(1)=(x(1)x2(),xn(1),t∈[0,7]为神经元输入,可以是时变函数或过程 性模糊信息:模糊过程神经元的连接权w(口)=(谛(D),(D),…,W,()可以是隶属度函数或4 图 3.4 多聚合过程神经元一般模型 其中，“  ”为 n 个多元过程输入函数的空间聚合算子，“  ”为多元过程聚合算子， K() 为 聚合核函数。 图 3.4 表示的多聚合过程神经元输入输出之间的映射关系为： (( ( , ,..., ) ( , ,..., )) () ) y = f W t 1 t 2 tP  X t 1 t 2 tP K  − （3.15） 如果“  ”取为空间加权和，“  ”为多元多重积分，核函数 K() =1 ，则多聚合过程 神经元输入输出之间的映射关系为 ( ... ( , ,..., ) ( , ,..., ) ... ) 1 2 1 2 1 2 0 0 0 1 1 2 = −    = p i p p T T T n i y f xi t t t w t t t dt dt dt p （3.16） 3.5 模糊过程神经元 在实际中，经常遇到带有过程性模糊信息的处理问题。若将过程神经元的信息处理方式 与模糊推理规则相结合，定义一种模糊过程神经元，将提高人工神经元的信息处理能力。可 采用两种方法构建模糊过程神经元。一种是对过程神经元直接模糊化，将过程神经元对时变 信号的信息处理机制与学习能力与模糊逻辑系统的推理机制相结合，构成一种新的模糊计算 模型；另一种是由带过程性信息的模糊推理规则描述的模糊过程神经元，即每一个模糊过程 神经元表示了一条模糊推理规则，多个模糊过程神经元按照一定结构组成的模糊过程神经元 网络可构成一个模糊逻辑推理系统。本节的讨论均针对于带有过程性模糊信息的论域（模糊 时变问题）进行。 3.5.1 过程神经元的模糊化 设 A A AK ~ , , ~ , ~ 1 2  为论域 U 上的模糊集，接受域上的隶属度函数分别为 ( ), ( ), 2 ~ 1 ~   A A    , ~ () AK  。模糊过程神经元是由模糊过程信号加权输入、模糊聚合运算及模糊激励输出组 成，其结构如图 3.5 所示。 图 3.5 模糊过程神经元 图 3.5 中， ( ) ( ( ), ( ),..., ( )) 1 2 x t x t x t x t = n ，t [0,T ] 为神经元输入，可以是时变函数或过程 性模糊信息；模糊过程神经元的连接权 ( )) ~ ( ),..., ~ ( ), ~ ( ) ( ~ 1 2 w t w t w t w t = n 可以是隶属度函数或  y  ( ) ~ 1 w t ( ) ~ w t n ( ) ~ 2 w t ＆,⊕,f x ( ) 1 t x ( ) 2 t x ( ) n t